Google Cloud Speech to Text v1からv2への変更

はじめに
はじめに
1. 権限
2. コードの修正
感想
参考にしたサイト
1. 公式ドキュメント
2. 公式以外

はじめに

以下で記事に書いたアプリで文字起こしにGoogle Cloud Speech to Text v1を使っています。
それをv2に変更したので備忘録です。

コードは以下にあります。

GitHub - nakajima97/real-time-transcription-using-google-speech-to-text-built-with-fastapi-and-next at v1.3.0

Google CloudのSpeech to Textを使ってリアルタイム文字起こしを実装したリポジトリ - GitHub - nakajima97/real-time-transcription-using-google-speech-t...

はじめに

権限

v1のときはAPIキーだけあれば使えましたが、v2では明確に作成したサービスアカウントにCloud Speech クライアントのロールを割り振る必要があります。

IAM > アクセスを許可　と移動します。
表示されるポップアップに以下のように入力してロールを割り当ててください。
「サービスアカウントのメールアドレス」はサービスアカウントのページに行けば確認できます。

コードの修正

インポートするのはfrom google.cloud import speech_v2に変更します。

まず大きく変わるのはStreamingRecognitionConfigの引数です。

self.streaming_config = speech_v2.types.StreamingRecognitionConfig(
    config=speech_v2.types.RecognitionConfig(
        # 自動で音声を解析する設定があるが、対応していないエンコーディングを使うので使わない
        # auto_decoding_config=speech_v2.types.AutoDetectDecodingConfig(),
        explicit_decoding_config=speech_v2.types.ExplicitDecodingConfig(
            encoding=speech_v2.types.ExplicitDecodingConfig.AudioEncoding.LINEAR16,
            sample_rate_hertz=16000,
            audio_channel_count=1
        ),
        language_codes=["ja-JP"],
        model="latest_long",
    ),
    streaming_features=speech_v2.types.StreamingRecognitionFeatures(
        interim_results=True
    )
)

v2では音声のエンコーディングやサンプルレートなどを自動で判別する機能があります。
以下ドキュメントに書かれている形式でエンコードされている場合はauto_decoding_config=speech_v2.types.AutoDetectDecodingConfig() で自動で識別してくれます。

Class AutoDetectDecodingConfig (2.30.0) | Python client library | Google Cloud

今回はここに書かれていない形式でエンコードしているためexplicit_decoding_configで細かく指定しています。

また、最終結果だけではなく中間結果を受け取りたい場合はstreaming_featuresでinterim_results=Trueを渡す必要があります。

次に大きな変更が必要だったのはStreamingRecognizeRequestです。
recognizerというのを最初に渡してあげる必要が出てきました。

config_request = speech_v2.types.StreamingRecognizeRequest(
    recognizer=f'projects/{project}/locations/global/recognizers/_',
    streaming_config=self.streaming_config
)

ここに渡す値はprojects/{project}/locations/{location}/recognizers/{recognizer}という形式の文字列です。
locationは2025/02/10時点ではglobal固定なようです。
recognizerもとりあえず動かしたい場合は_でよさそうです。
projectはGoogle CloudのプロジェクトのIDを指定してください。

Class StreamingRecognizeRequest (2.30.0) | Python client library | Google Cloud